# TimesFM: le previsioni di Google sui tuoi numeri

Guida di Riccardo Belli, dati letti il 2 novembre 2026.
Pagina: https://www.riccardobelli.com/timesfm/
Repo: https://github.com/google-research/timesfm (35.009 stelle, codice Apache 2.0)

## Cos'è

TimesFM (Time Series Foundation Model) è il modello di Google Research che prevede i numeri che cambiano nel tempo: vendite, ordini, giacenze, visite al sito. È addestrato in partenza su miliardi di punti di serie storiche vere, quindi funziona sui tuoi dati senza addestrarlo.

Per usarlo gratis prendi la 2.5: 200 milioni di parametri, circa 800 MB, 4 GB di RAM liberi, funziona anche senza scheda grafica. Codice e pesi Apache 2.0, utilizzabile in azienda.

## Cosa prevede bene e cosa no

1. Prevede serie di numeri nel tempo: una colonna di date e una colonna di numeri.
2. Gli serve uno storico. Su un prodotto lanciato tre mesi fa ha poco da cui partire. Con due o tre anni di vendite trova molto di più.
3. Vede solo i numeri che gli dai. Promozioni, scioperi, clienti nuovi: se non stanno nei dati per lui non esistono. Festività e prezzi glieli passi tu come covariate.
4. Un evento mai visto lo coglie impreparato. Guarda sempre la fascia.

## La fascia e le covariate

- Caso migliore e caso peggiore: per ogni periodo hai la previsione centrale più un valore basso (10° percentile) e uno alto (90° percentile). In 8 casi su 10 il numero vero cade lì dentro. Fascia stretta, il modello è sicuro. Fascia larga, tieni più scorta.
- Covariate: le cose che spostano i tuoi numeri e che conosci in anticipo (festività, prezzo, promozioni). Vanno in colonne accanto alle vendite, anche per i periodi da prevedere.

## Strada A: gratis sul computer con Claude Code

Requisiti: Python 3.10 o più recente, 4 GB di RAM liberi, un paio di GB sul disco.

### Prompt 1: installa e prevedi

```
Voglio fare una previsione delle vendite con TimesFM 2.5 di Google Research, in locale su questo computer.

1. Crea un ambiente Python in questa cartella e installa il pacchetto con: pip install "timesfm[torch]"
2. Usa il modello google/timesfm-2.5-200m-pytorch (licenza Apache 2.0). Non usare la 3.0: i suoi pesi non si possono usare per scopi commerciali.
3. Leggi il file [vendite.csv]. La colonna della data è [data], quella da prevedere è [vendite]. Controlla che le date siano in ordine e senza buchi. Se mancano dei periodi dimmelo prima di andare avanti.
4. Prevedi i prossimi [8] periodi. Per ogni periodo dammi la previsione centrale, il caso peggiore (10° percentile) e il caso migliore (90° percentile).
5. Salva tutto in previsione.csv e fai un grafico previsione.png con lo storico, la previsione e la fascia tra caso peggiore e caso migliore.
6. Alla fine spiegami in tre righe cosa prevede e quanto è larga la fascia.
```

### Prompt 2: con festività e prezzi

```
Rifai la previsione aggiungendo le covariate.
Nel file [vendite.csv] ci sono anche le colonne [festivo] (1 se nel periodo c'è una festività, 0 se no) e [prezzo].

1. Installa le dipendenze per le covariate: pip install "timesfm[xreg]". Se su questo computer l'installazione non va, installa a mano jax e scikit-learn.
2. Usa forecast_with_covariates di TimesFM 2.5.
3. Le covariate servono anche per i periodi da prevedere: prima di partire chiedimi i valori di [festivo] e [prezzo] per i prossimi [8] periodi.
4. Confronta la previsione con le covariate e quella senza. Dimmi quanto cambia e in quali periodi.
```

## Strada B: dentro Google Sheets

Da febbraio 2026 i Fogli collegati (Connected Sheets) fanno la previsione con TimesFM, senza codice.

1. Crea un progetto su Google Cloud con BigQuery attivo.
2. Carica le vendite in una tabella di BigQuery (va bene lo stesso CSV).
3. In Google Sheets: Data › Data connectors › Connect to BigQuery, scegli progetto e tabella.
4. Nell'anteprima del foglio collegato: Advanced Analytics › Create a Forecast. Imposti orizzonte e intervallo di confidenza (di base 95%).

Costi: Sheets è gratis, BigQuery si paga a byte processati. Di base la previsione usa TimesFM 2.5. Con la tariffa a consumo il primo TiB al mese è gratis, poi 6,25 dollari per TiB. Disponibile in tutte le regioni di BigQuery, anche quella europea.

## Attenzione alla 3.0

- I pesi della 3.0 hanno una licenza non commerciale: in locale solo prove e studio. Per l'azienda si passa da BigQuery, dove la 3.0 è ancora in anteprima.
- Dal 1° dicembre 2026 (data obiettivo nella pagina dei prezzi di BigQuery) la 3.0 in BigQuery passa a token: ogni punto di dati è un token, 0,05 dollari per milione in ingresso, 0,20 dollari per milione in uscita, più i byte processati dal resto della query. La 2.5 resta a byte processati.

## Da dove partire

1. Lancia il prompt 1 sul file di esempio vendite-settimanali-esempio.csv.
2. Guarda il grafico: linea, fascia, stagioni.
3. Passa ai tuoi dati, con date senza buchi.
4. Aggiungi festività e prezzi con il prompt 2.
5. Se in azienda lavorate già su Sheets e BigQuery, prova la strada B e resta sulla 2.5.
